1 国家光学仪器工程研究中心 浙江大学光及电磁波研究中心，浙江 杭州 310058
2 浙江大学 宁波研究院，浙江 宁波 315100
海洋是涵盖超过70%地球表面的连续海水，发展先进的海洋生物光学监测手段对海洋生态系统的保护至关重要。文中综述了笔者团队在小型高光谱图谱仪与激光雷达系统搭建及其在海洋生物检测等应用上的部分近期工作。图谱仪方面介绍了不同空间扫描方式的高光谱图谱仪在透射、反射及荧光等不同工作模式下，对数种藻类、斑马鱼等海洋生物进行了图谱检测，并且基于图谱数据结合机器学习算法实现了微藻种类的精准分类和藻类生长周期的准确预测；在激光雷达方面详述了使用非弹性高光谱沙姆激光雷达系统在实验室和近岸实地环境进行了多次水生生物的测量实验，成功获取其荧光高光谱，证明了非弹性高光谱沙姆激光雷达系统在海洋生物监测应用中的巨大潜力。此外，笔者团队还搭建了一套四维凝视成像探测系统能实现高光谱分辨率（3 nm）、高空间分辨率、高深度精度（27.5 μm）的精准探测。
高光谱图谱仪 沙姆激光雷达系统 水母 棕囊藻 四维探测 hyperspectral imager Scheimpflug lidar system jelly fish phaeocystis 4D detection 红外与激光工程
2021, 50(6): 20211033
1 浙江大学光电科学与工程学院光及电磁波研究中心, 浙江 杭州 310058
2 苏州瑞蓝环保科技有限公司, 江苏 常熟 215558
种子活性受到存储条件的影响很大。 收集了真实情况下受到不同存储条件影响的种子, 通过发芽实验验证了其成活率存在差异。 再从中选择适量的种子样本, 采集其单颗种子的可见-近红外反射光谱, 运用不同的光谱预处理技术, 结合不同的机器学习建模手段, 以区分不同成活率的种子。 比较了不同的光谱预处理方法, 比如标准反射光谱校正、 多元散射校正等。 从识别准确度的角度, 认为标准反射光谱校正的方法, 能够很大程度上提升不同存活率种子的光谱差异性, 从而经过机器学习判断达到更高的识别准确度。 同时比较了支持向量机、 K邻近和距离判别分析等机器监督学习建模方法, 发现利用标准反射光谱校正的方法结合距离判别分析, 能够对种子样本实现完全准确的判定。 更进一步, 为了满足实际运用中快速识别的要求, 将高分辨率的光谱数据压缩成为低分辨率多通道带通光谱数据, 这样可以大大降低的光谱数据长度, 节约各种机器学习器在训练和判断中所用的时间。 使用简化过后的多通道带通光谱数据判定种子存活率, 其识别准确度仍然接近90%。 充分说明了, 利用多通道宽带光谱数据, 并选择合适的机器学习建模方式, 足以满足实际选种产业的一般性需求, 有潜力作为未来粮种成活率快速鉴别的技术手段。 还采用了多种带通宽度以简化光谱, 分析比较不同带通宽度对识别精度的影响。 总体来说由于带宽增大, 数据量减少, 识别速度更快, 但是识别精度降低。 从10～50 nm改变光谱带宽, 标准反射校正后的简化光谱的识别精度从87.50%下降到58.75%。 在实际运用中, 需要权衡识别速率和预期识别精度, 合理的选择带宽。 验证了根据简化后的可见近红外反射光谱, 能够较快速且准确的识别水稻种子存活率, 为以后的基于带通滤波片的快速种子存活率识别奠定了基础。
水稻种子 可见近红外光谱 简化光谱 光谱预处理 机器学习 成活率 Rice seeds Visible-near-infrared spectra Simplified spectra Spectra pretreatment Machine learning Germination rate
